CTCA 在评估斑块病理学和生理学方面的评价

学习规划

1. 专利招募 70 例具有典型心绞痛症状的选择性冠状动脉造影显示至少一个复杂（即分叉病变、长病变、钙化病变）阻塞性病变（冠状动脉造影直径狭窄 >70%，或血流储备分数 <0.80）在 IVUS 指导下被认为适合经皮冠状动脉介入治疗 (PCI) 的患者将被纳入研究。 排除标准是：1) 年龄 >75 岁，2) ACS <3 个月内，2) eGFR <60ml/min/1.73m²， 3) 既往冠状动脉搭桥手术史， 3) 失代偿性心力衰竭，或左心室射血分数≤30%， 4) 静脉造影剂过敏或无法接受阿司匹林、肝素或噻吩并吡啶类药物治疗， 5) 预期寿命<1年， 6) 心脏移植史，7) 需要手术血运重建的患者，以及 8) 广泛的冠状动脉疾病（即，多发慢性完全闭塞）或不允许使用 NIRS-IVUS 成像评估冠状动脉的曲折冠状动脉解剖结构。 招募的患者将提供知情同意书，并使用专用的第三代 CT 双源扫描仪（Siemens Force）进行 CTCA 成像。 研究工作的前 4 个月将用于优化图像采集协议，以便获得的 CTCA 数据适用于自动分割。 高效的成像矩阵将用于提高面内空间分辨率和更清晰的重建内核，并将实施迭代重建算法以增强图像分割。

   CTCA 成像两周后，患者将接受计划的 PCI。 在 PCI 期间，将努力研究所有 3 条心外膜冠状动脉 - 包括狭窄病变 - 及其一些主要侧支（即大对角线、钝边、后降支或右冠状动脉的左心室支） ) 与联合 NIRS-IVUS 导管。 在 PCI 之后，参与者将接受最佳治疗出院。

2. CTCA 成像数据的分割和冠状动脉解剖结构的重建成像数据将由专家操作员使用专用工作站进行匿名和分析，不了解临床细节。 解剖标志（即侧分支）将在 CTCA 和 NIRS-IVUS 成像数据中识别，并将用于定义感兴趣的部分。

   CTCA 数据的分析将使用专用软件进行，该软件能够自动提取管腔中心线、半自动检测管腔和外血管壁边界以及量化斑块负荷，并结合斑块表征算法，允许自动表征牌匾的组成。 斑块表征算法考虑了 Hounsfield 单位的预定义固定强度截止值和允许根据图像衰减修改这些截止值的自适应方法。 目前，每个患者的分割过程平均需要 3 小时。 在这个项目中，研究人员旨在优化 CTCA 图像采集和分割算法，使该过程自动化并将 CTCA 分割的时间减少到 <1 小时。

3. NIRS-IVUS 成像数据的分割和冠状动脉解剖的重建 描述感兴趣部分的 NIRS-IVUS 数据将由专家操作员进行分析，对临床细节和 CTCA 成像数据不知情，间隔 3 个月从使用软件分析 CTCA 数据，该软件能够检测管​​腔和外血管壁边界、斑块负荷的量化和 IVUS 中钙化组织成分的注释。 NIRS 成像数据分析的输出是化学图，它是脂质成分沿血管壁分布的彩色编码图（黄色表示脂质组织的概率增加，红色表示脂质组织的概率低）。 脂质负荷的一个指标是脂质核心负荷指数 (LCBI)，它计算为对应于脂质成分的黄色像素的分数除以 1000。 此外，对于每个 2mm 节段，生成块化学图，提供该节段的化学图摘要，并显示冠状动脉 2mm 块中存在脂质组织的概率。 块化学图已针对组织学进行了验证，并且已表明它能够准确检测富含脂质的斑块。

   分段的 NIRS-IVUS 数据将用于使用已建立且经过充分验证的方法重建冠状动脉解剖结构。 直径 >1.5mm 的侧支将从血管造影数据重建，并与从 NIRS-IVUS 重建的主要血管几何形状融合，因为已经表明侧支影响 ESS 分布。

4. 血流模拟 相同的边界条件将应用于基于 IVUS 和基于 CTCA 的模型。 血液将被视为层状且不可压缩的牛顿流体，动态粘度为 0.0035 Pa•s，密度为 1,050 kg/m3。 将在流明的流入处施加稳态流分布，因为这减少了计算时间，并且有证据表明，当使用稳态或脉动流分布时，估计的 ESS 没有显着差异。 Murray 的恒定 ESS 理论将用于推导主支路和侧支路的边界条件。 动脉壁将被认为是刚性的，并且将在管腔表面应用无滑移条件。 通过测量造影剂从重建段的入口到出口所需的帧数、基线段的体积和电影帧速率，将从血管造影数据估计流速。
5. NIRS-IVUS 和 CTCA 成像数据的分析 预计 NIRS-IVUS 成像将在每位患者平均 2.5 个血管中进行；来自这 40 个随机选择的血管的血管将用于训练 CTCA 分割和斑块特征（训练数据集）的算法，其余的用于验证目的（验证数据集）。

在训练集中，从 CTCA 和 NIRS-IVUS 数据重建的感兴趣段将被分成 2mm 段，相应的 2mm 段将在 CTCA 和 NIRS-IVUS 模型中识别。 对于每个 2mm 段，将在 NIRS-IVUS 模型中估算以下指标：平均管腔面积、平均外血管壁面积、平均斑块面积、平均斑块负荷（定义为：100 x 斑块面积/血管面积）、平均钙化面积、LCBI 和主要的 ESS。 此外，根据块化学图，每个片段将被分类为富含脂质或非富含脂质。

类似地，在 CTCA 模型中，将对每 2mm 段估计平均管腔面积、外血管壁面积、斑块面积、斑块负荷、钙化面积和平均主要 ESS，并与 NIRS-IVUS 的估计值进行比较。 将测试几种方法来优化血管壁边界的分割，并将采用最佳方法。 将识别具有增加的钙化负担和开花伪影的片段，并且在 CTCA 和 NIRS-IVUS 注释之间存在显着差异的情况下，将实施利用 NIRS-IVUS 提供的信息的机器学习技术来优化 CTCA 分割。 将定义最能识别脂质和钙化组织的自适应 Hounsfield 单位截断值。 将创建描绘 CTCA 模型中脂质组织分布的展开血管图，在这些图中，将估计每个 2mm 段的 LCBICT，并与 NIRS 的输出进行比较。 曲线下面积 (AUC) 分析将用于确定最佳的 CT 衍生斑块负荷、LCBI 和 ESS 临界值，这些临界值对应于指示高风险斑块的 NIRS-IVUS 临界值（斑块负荷：67%， LCBI：178 和 ESS：1Pa）。 NIRS-IVUS 中的块化学图将用于识别 2mm LCBICT 截断值，从而能够将 2mm 片段准确分类为富含脂质或非脂质。 这些截止值的准确性将在验证数据集中进行测试。

此外，在验证数据集中，NIRS-IVUS 数据将用于识别冠状动脉病变——定义为连续 3 帧中斑块负荷 >40% 的片段。 对于每个病变，其重塑指数将被估计并用于将它们分类为具有正或负重塑的病变。 NIRS-IVUS 数据将用于表征它们的表型并将它们分类为：病理性内膜增厚/纤维化斑块、纤维钙化斑块、纤维斑块 (FA) 和钙化纤维斑块。 NIRS-IVUS 病变分类将用作参考标准，以评估 CTCA 在表征病变表型方面的准确性。

统计分析——功效计算 研究的主要终点是 CTCA 检测 FA 的能力。 在 Garcia-Garcia 的一项研究中，包括 129 名接受单血管 IVUS 成像的患者，每位患者发现 1.7 个病变。 在 Puri 等人的研究中，45% 的病变在组织学上是 FA。 在那项研究中，NIRS 与 IVUS 相结合，能够以出色的准确性检测 FA（c 指数：0.80）。 我们预计我们将能够对每位患者 2.5 个冠状动脉进行 NIRS-IVUS 成像，并且 93% 的研究患者的 CTCA 成像质量将达到最佳。 如果我们招募 70 名患者，我们预计将使用 NIRS-IVUS 和 CTCA 成功研究 162 条血管，其中 120 条（203 处病变 - 92 FA）将用作验证数据集。 预计该数据集将提供 80% 的功效来证明使用 5% 的显着性水平，即 CTCA 在识别 FA 方面的敏感性与 NIRS-IVUS 没有区别（CTCA 范围的 AUC：0.89-0.71）， 假设 NIRS-IVUS 的真实灵敏度为 0.80。

该研究的次要终点是 CTCA 识别的准确性：a) 富含脂质的片段（使用 NIRS-IVUS 的块化学图作为金标准），和 b) 暴露于低 ESS（<1Pa，使用 ESS 中估计的 ESS）的片段NIRS-IVUS 模型作为参考标准）。